notícias

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

o ceo da tesla, elon musk, lançou uma transmissão ao vivo do software de direção inteligente fsd v12 da tesla em 2023 - o tesla no vídeo é baseado na mais recente tecnologia ponta a ponta, e o software excluiu um grande número de engenheiros código de regra, em vez disso, usa o principal algoritmo de rede neural. o veículo é baseado em visão autônoma e redes neurais para indicar onde desacelerar, identificar semáforos e quaisquer atores na estrada e tomar decisões autônomas.

posteriormente, essa tecnologia gerou grande discussão e interesse por parte da indústria, dos entusiastas da tecnologia e até mesmo dos consumidores comuns de automóveis.

esta é uma nova rodada de recuperação de paradigma para uma direção inteligente. até hoje, ainda existem muitas opiniões surgindo no mercado chinês:

o surgimento da tecnologia ponta a ponta nivelou a linha de partida para muitas empresas automobilísticas engajadas na direção inteligente. todos estão agora novamente no ponto de partida, iniciando uma corrida de longa distância em termos de dados e poder computacional.

a tecnologia ponta a ponta é afetada por dados fortes. a construção de modelos e a quantidade de aquisição de dados, especialmente a aquisição de dados de qualidade eficaz, afetam a rápida iteração da tecnologia.

no mercado chinês, as montadoras independentes com "vantagem de campo doméstico" embarcaram em outra corrida de longa distância pela direção inteligente. ao mesmo tempo, há muitas opiniões de que a liderança do fsd da tesla será eliminada nesta fase.

lang xianpeng, vice-presidente de pesquisa e desenvolvimento de direção inteligente da li auto, também acredita que,em termos de arquitetura técnica, a solução mais recente da ideal não difere muito da da tesla, e está até um pouco à frente. como idealmente possui um modelo vlm e sistema 2, tesla possui apenas o sistema 1 de ponta a ponta.

o modelo ponta a ponta da li auto é um modelo integrado ponta a ponta, que é ligeiramente diferente do ponta a ponta de outras empresas automobilísticas no mercado.

a tecnologia convencional ponta a ponta utiliza apenas modelos de inteligência artificial e autoaprendizagem mecânica para substituir os módulos de percepção, planejamento e controle no processo de direção inteligente, desde a "entrada" visual até o sistema de direção inteligente e controle final do veículo . o lado de “saída” da condução é totalmente controlado pelo modelo. uma tecnologia pura “ponta a ponta” não define mais códigos baseados em regras neste processo e se torna uma caixa preta completa.

no entanto, muitas empresas automobilísticas no mercado, incluindo fabricantes relativamente avançados como tesla, huawei e xpeng, ainda configuram certos algoritmos subjacentes responsáveis ​​pela redundância de segurança. o controle de percepção e planejamento podem ser módulos relativamente independentes, e as interfaces ainda precisam ser definidas e conectadas manualmente.

o one model integrado de ponta a ponta destina-se a reunir os módulos de controle de percepção e planejamento. é idealmente chamado de sistema 1 internamente e é mais como um driver para executar rapidamente decisões de ponta a ponta.

no passado, as aplicações ponta a ponta no campo da direção inteligente frequentemente enfrentavam o problema de limite superior alto, mas também de limite inferior baixo. por exemplo, a tesla, líder da indústria, testou muito bem na califórnia, eua, e comportou-se de forma muito semelhante a um condutor humano. no entanto, quando entrar numa área desconhecida, terá decisões regulamentares difíceis de explicar.

esta é uma das desvantagens de ponta a ponta.

a abordagem ideal é apresentar o sistema 2, o modelo de linguagem visual vlm, e dar mais um passo em frente.

idealmente, o modelo de linguagem visual vlm é o primeiro grande modelo do mundo implantado com sucesso em um chip do lado do carro e tem a capacidade de lidar com o pensamento lógico e a tomada de decisões em cenários complexos.

além do modelo único ponta a ponta, o sistema 2 - vlm é outro conjunto de algoritmos de modelo que auxiliam o sistema 1 no planejamento e na tomada de decisões. o sistema 2 baseado em vlm pode fornecer a capacidade de compreender ambientes complexos, a capacidade de ler mapas de navegação e a capacidade de compreender as regras de trânsito.

lang xianpeng deu a essa combinação uma explicação mais popular: o sistema 1 é como um motorista e o sistema 2 é um instrutor de autoescola. o sistema 1 depende inteiramente de sua própria percepção visual para realizar operações. o sistema 2 precisa acumular conhecimento durante um longo período de tempo para lembrar e informar o sistema 1.

zhan kun, especialista em algoritmos avançados para condução inteligente da li auto, e sua equipe foram os primeiros a propor este conceito. seguindo o exemplo de daniel kahneman, psicólogo cognitivo e ganhador do prêmio nobel, ele acredita que o cérebro humano possui dois sistemas. o primeiro sistema é baseado na experiência e na intuição, e o segundo sistema aprende e acumula conhecimento de forma abrangente.

os dois sistemas atendem a toda a direção inteligente ideal, o que também torna a solução de direção inteligente ideal completamente diferente de outras montadoras.

no mercado dos eua, o tesla fsd é líder em termos de poder de computação e dados.

mas no mercado chinês, a estratégia ideal parece ser recriar uma “china tesla smart driving road” para se posicionar mais à frente.

lang xianpeng disse: “em termos de poder de computação de treinamento e dados de treinamento da china, acreditamos que, pelo menos a partir de agora, estamos à frente da tesla, porque a tesla ainda está sujeita a algumas restrições na china em termos de conformidade de dados e de treinamento. a implantação ainda precisa. ser construído na china.”

ideal também introduz um sistema de modelo mundial no processo de teste de dados.

ideal disse que o modelo mundial suporta a iteração em grande escala e alta velocidade de uma nova geração de direção inteligente ideal, fornece um sistema automatizado de avaliação de capacidade de ia, usa tecnologia de reconstrução para transformar os cenários de problemas encontrados pelos usuários em "conjuntos de perguntas erradas" , e usa tecnologia de geração para transformar os usuários em "conjuntos de perguntas erradas". as cenas reais de direção são usadas como "perguntas de simulação". as duas tecnologias garantem que perguntas erradas não sejam mais feitas incorretamente durante a avaliação do modelo e também possuem excelentes capacidades de generalização. .

com base na solução técnica do modelo mundial ideal one model + vlm +, isso também traz uma nova geração de produtos de direção inteligente ideal para um novo estágio de "condução autônoma supervisionada".

a ideal é a primeira empresa a implantar vlm em chips orin-x e a primeira empresa automobilística a adotar uma arquitetura de sistema duplo. na china, a ideal já tem um volume de vendas próximo de um milhão, o que inevitavelmente aumentará a proporção de dados efetivos. a atual quilometragem de treinamento acumulada da li auto excedeu 2,2 bilhões de quilômetros e espera-se que exceda 3 bilhões de quilômetros até o final de 2024. o atual poder de computação de treinamento da li auto atingiu 5,39 eflops e espera-se que exceda 8 eflops até o final de 2024.

no entanto, a indústria continua a debater-se sobre a aplicação e as perspectivas da tecnologia de ponta a ponta - algumas pessoas pensam que a condução inteligente não pode ser alcançada sem 50 mil milhões, enquanto outras acreditam que, pelo menos nos próximos anos, a condução de ponta a ponta algoritmos de modelo baseados em regras e funções de módulo único ainda serão paralelos, puro de ponta a ponta ainda é besteira.

até certo ponto, os resultados dos testes do ideal user experience group verificaram a atual racionalidade deste caminho. de qualquer forma, a li auto assumiu a liderança ao dar esse passo.

dr. lang xianpeng, vice-presidente de pesquisa e desenvolvimento de direção inteligente da li auto, e zhan kun, especialista sênior em algoritmos da li auto intelligent driving

a seguir está a abreviatura da troca com o dr. lang xianpeng, vice-presidente de pesquisa e desenvolvimento de direção inteligente da li auto, e zhan kun, especialista sênior em algoritmos da li auto intelligent driving. a conversa foi editada sem modificar o significado original:

pergunta: todos no mercado dizem que são de ponta a ponta. qual é o verdadeiro fim a fim?

zhan kun:de ponta a ponta é um paradigma de pesquisa e desenvolvimento. como o nome sugere, refere-se à execução de uma tarefa desde a entrada inicial até a saída final. não há outro processo no meio. processo de entrada a saída. este é o significado essencial de ponta a ponta, desde que atenda a esse significado, podemos chamá-lo de ponta a ponta.

agora, o carro ideal é um modelo único integrado. por meio da entrada direta do sensor, após a conclusão da inferência do modelo, o planejamento da trajetória é usado diretamente para controlar o carro. outras etapas intermediárias. existe também um método ponta a ponta, que consiste em dividir dois modelos no meio. um sinal é usado como uma ponte entre os modelos. a entrada é um modelo de percepção. e eles são combinados em um modelo modular ponta a ponta, isso também pode ser chamado de ponta a ponta, mas acreditamos que tal ponta a ponta não é verdadeiramente ponta a ponta. . o próprio li auto quer resolver a perda de informações intermediárias. se um processo artificial de digestão de informações for adicionado no meio, a eficiência pode não ser tão alta ou o limite superior de capacidades pode ser limitado. que o integrado de ponta a ponta é o mais essencial de ponta a ponta.

pergunta: somos inspirados pelo tesla. existem diferenças em relação aos módulos tradicionais de ponta a ponta?

zhan kun:tesla mencionou ponta a ponta no início de 2023, e musk disse no twitter que incorpora um modelo completo de controle direto do carro, da entrada à saída. todos ficaram chocados ao ver essa notícia, porque não propuseram apenas isso. em 2016, a nvidia tinha um modelo que mencionava ponta a ponta e publicou um artigo, mas o efeito foi mediano e só resolveu o problema. num cenário particularmente simples, dado o poder computacional e a escala do modelo da época, todos achavam que esse caminho era inviável.

até 2023, o poder de computação supergrande será adicionado à nova arquitetura do transformador. depois que tesla o construir, pode haver um renascimento de um novo paradigma. de ponta a ponta não é a primeira coisa que a tesla propõe, mas está avançando em uma direção de maior crescimento. depois de ver isso, também pensamos internamente. em comparação com o modelo modular anterior, a abordagem ponta a ponta é mais essencial para reduzir a redundância de diversas informações. no modelo sem gráfico, estamos próximos do modelo modular ponta a ponta. temos um modelo perceptivo grande, que na verdade é um modelo modular ponta a ponta. mesmo assim, descobrimos que o modelo ponta a ponta ainda precisa de regras, e ainda existem dados divididos em módulos e tarefas políticas divididas em módulos.

desta vez, na nossa discussão e concepção de novas soluções, propusemos que a solução ponta a ponta seja mais completa e essencial. a li auto possui dados muito ricos e acreditamos que esses dados podem nos ajudar a fazer um bom trabalho. por isso escolhemos uma arquitetura integrada ponta a ponta que é mais desafiadora e difícil. seu limite superior é muito alto, mas sua desvantagem é que é mais difícil treinar o módulo de pontuação, incluindo proporção de dados e métodos de treinamento. muito know-how para explorar e escavar, mas ainda assim escolhemos resolutamente o caminho difícil, mas correto.

pergunta: muitas marcas agora afirmam ser líderes, e a li auto também afirma que entrou no primeiro escalão da direção inteligente. como avaliar o nível técnico ponta a ponta dessas empresas no mercado?

lang xianpeng:do ponto de vista técnico, para os consumidores comuns, eles não se importam se há fotos ou não, de ponta a ponta ou não. em última análise, todos se concentram no produto e na experiência de uso. isso, bem como o valor do produto. portanto, não tentamos competir com ninguém, mas esperamos fornecer melhores produtos e serviços aos nossos usuários. no passado, o noa de alta velocidade era usado com mapas de alta precisão, e a experiência do noa de alta velocidade atendia às necessidades dos usuários. em seguida, tentamos vários métodos no processo de criação da noa da cidade. uma das ideias mais simples era usar mapas para criar a noa da cidade. no entanto, descobrimos que não havia nenhum fornecedor de mapas que pudesse fornecer mapas de alta precisão da cidade. forneça imagens claras. mas acreditamos que os gráficos leves não são viáveis, porque uma vez que os gráficos iterativos são necessários, surgem problemas de oportunidade e se eles podem realmente ser usados. não podemos permitir que os utilizadores sintam que um lugar que está disponível hoje não estará disponível amanhã.

no final, decidimos fazer sem fotos. a solução anterior sem imagem baseava-se em soluções de percepção, planejamento e submódulos, que incluíam um grande número de regras manuais e testes reais de veículos. sem falar no investimento orçamentário, era muito difícil em termos de tempo. quando o modelo é iterado, se você quiser passar por diversas condições ao longo do ano, isso não será possível dentro de um ou dois anos, e os usuários não podem esperar tanto tempo. então, iteramos para a arquitetura técnica ponta a ponta + vlm. acho que essa solução técnica é essencialmente uma solução de inteligência artificial. ela não foi projetada, mas cresceu por si só.

além disso, hoje apresentei a vocês o conteúdo do modelo mundial. na minha opinião, esta capacidade é a garantia mais importante e necessária para alcançar uma iteração rápida da condução autónoma.uma iteração do modelo exigiria uma grande quantidade de veículos, pessoas e tempo para ser testada da maneira tradicional, mas agora usamos tecnologia de geração e reconstrução para coletar as cenas onde ocorreram problemas no passado e construir uma biblioteca de cenários de cenas errados.antes de cada lançamento, mais de 10 milhões de quilômetros de testes foram feitos em questões simples erradas, e este é um conjunto eficaz de perguntas erradas, não um teste de estrada aleatório. além disso, também podemos gerar cenários e simular cenários, que também são dezenas de milhões de testes de cenários. a iteração do modelo desta forma é agora muito mais confiável do que o método original de teste de veículo ou estrada e pode abranger vários cenários ao longo do ano. esta é a nossa abordagem. não sabemos se outras marcas fazem isso, mas nos baseamos totalmente nas necessidades do usuário. nós iteramos na tecnologia, não pela tecnologia, mas porque essa tecnologia pode realmente resolver as necessidades dos usuários e trazer uma melhor experiência do produto, então faremos isso.

pergunta: há pouco tempo, alguém apresentou a ideia de que “é impossível fazer uma condução inteligente sem 50 mil milhões”.

lang xianpeng:em relação a 50 bilhões, é necessário avaliar se é um investimento único ou de longo prazo. como mencionado hoje, investimos 1 bilhão de dólares americanos em pesquisa e desenvolvimento de direção inteligente todos os anos. ultrapassará 50 bilhões.

a arquitetura técnica ponta a ponta + vlm é um divisor de águas.antes, ainda utilizávamos métodos tradicionais de condução autónoma. a partir desta geração, utilizamos verdadeiramente a inteligência artificial para a condução autónoma. em seguida, na investigação e desenvolvimento da condução autónoma, a principal competição é saber se existem mais e melhores dados e o poder computacional correspondente para treinar o modelo. a aquisição de poder computacional e de dados depende de quanto dinheiro é gasto e de quantos recursos são investidos. algumas dessas coisas não podem ser compradas com dinheiro, como dados de treinamento e quilometragem de treinamento. cada montadora possui seus próprios dados e não os compartilha entre si.

outra coisa que requer investimento é o poder computacional.espera-se que nosso atual poder de computação de 539 milhões de eflops seja de 800 milhões de eflops até o final deste ano. isso não representa mais 1 bilhão de yuans, mas um custo de 2 bilhões de yuans, que consumirá 2 bilhões de yuans por ano. ao entrar no estágio l4 no futuro, o crescimento anual dos dados e do poder de computação será exponencial, o que significa que serão necessários pelo menos 1 bilhão de dólares americanos (seis a sete bilhões de yuans) todos os anos. e depois de 5 anos, será necessário continuar a iterar. nesse nível, será muito difícil se os lucros e lucros de uma empresa não puderem sustentar o investimento. portanto, agora não precisamos de prestar atenção a quantos milhares de milhões são investidos na condução autónoma. em vez disso, partimos da essência e verificamos se existe capacidade computacional e suporte de dados suficientes, e depois verificamos quanto dinheiro precisa de ser investido. .

pergunta: como garantir a segurança do modelo quando a quantidade de dados não é muito grande? do ponto de vista conceitual, somos agora também uma espécie de “dois modelos”?

lang xianpeng:“segurança” é uma questão que tem chamado muita atenção, quer existam problemas de coordenação, quer existam módulos de segurança independentes, etc. a razão pela qual todos têm esses problemas é porque todos estão pensando da perspectiva da pesquisa e desenvolvimento anteriores de direção autônoma sem ia. por exemplo, eu andava a cavalo. ele me perguntava se tinha sela no carro. é porque nem todos compreenderam realmente o que são as práticas de ia e o que são as práticas que não são de ia. este é o primeiro ponto.

em segundo lugar, muitas pessoas dizem agora que têm um modelo ponta a ponta, mas o verdadeiro modelo ponta a ponta ainda depende de duas capacidades: se há dados suficientes e se há capacidade computacional suficiente. caso contrário, acho que será difícil alcançar o verdadeiro ponta a ponta, porque ponta a ponta é uma abordagem de ia.

terceiro, os limites superior e inferior das capacidades ponta a ponta são muito elevados. deixe-me fazer uma analogia. antes do lançamento da cnn (modelo de rede neural profunda), todos ainda usavam métodos tradicionais de aprendizado de máquina para realizar algum trabalho, como as tarefas de classificação de imagens com as quais estamos familiarizados. naquela época, os algoritmos svm encontravam gargalos. mas assim que a cnn foi lançada, eles suprimiram sua melhoria de mais de 10%. o que quero expressar é que nem todos compreenderam verdadeiramente os recursos de ponta a ponta e não nos apressaremos em distribuí-los aos usuários beta internos.

quando usamos métodos não-ia, temos que considerar muitos cenários em termos de detalhes de controle vertical. desta forma, ao projetar regras de cena, precisamos definir muitas condições para estipular quais ações precisam ser tomadas sob determinadas condições. estratégia. mas quando nossa primeira versão do modelo ponta a ponta foi treinada, descobri que seria muito confortável em cada cruzamento ou em condições que exigissem controle longitudinal. não depuramos para situações especiais, foi a capacidade do modelo de se treinar. verifica-se que temos um grande problema na hora de criar regras porque os cenários são muito diversos e é impossível definirmos regras para todos os cenários. mas quando usamos a ia para construir um modelo ponta a ponta, descobriremos que ela tem esse poder mágico. quando lhe fornecemos dados, ela pode realmente aprender a experiência de direção dessas pessoas. , mas também pode melhorar significativamente o modelo. embora ainda tenha as suas próprias limitações, a forma como o resolvemos já não é estabelecer regras, mas sim fornecer-lhe mais e melhores dados.

da mesma forma, também temos uma estratégia óbvia no módulo de controle. porque a entrada do nosso sensor ponta a ponta é a entrada para a saída da trajetória, e a saída da trajetória é fornecida aos módulos de direção e freio. aqui temos uma política de segurança. por exemplo, se planeja fazer uma curva acentuada de 180°. iremos restrições são implementadas, mas existem muito poucas regras semelhantes, que podem ser ignoradas em comparação com a abordagem anterior.

ao mesmo tempo, melhoramos os resultados financeiros e o limite superior de capacidades. nossa abordagem é fornecer continuamente dados de alta qualidade, e ele definitivamente aprenderá muitos hábitos de direção seguros.

pergunta: como garantir que os dados ponta a ponta + vlm estejam limpos?

zhan kun:seja de ponta a ponta ou vlm, os dados são o mais importante, e os grandes modelos sempre enfatizaram os dados de alta qualidade.portanto, nosso primeiro passo é limpar as fontes de dados.nossa seleção de dados de direção é muito rigorosa. temos uma pontuação interna para cada proprietário de carro, que inclui diversas dimensões e é ponderada, como se há infração de trânsito, se a linha está pressionada há muito tempo, se a parada. a linha foi estacionada e se o processo de direção está os 3% principais usuários serão selecionados como "motoristas experientes" com base nas pontuações atribuídas por vários indicadores, como ao girar o volante de maneira média ou urgente ou sentir desconforto. no caso de dados ideais em grande escala, mesmo os primeiros 3% são uma quantidade muito grande de dados. ainda pode garantir que os dados que obtemos sejam pelo menos padronizados, confortáveis ​​e razoáveis. se os dados forem fornecidos de ponta a ponta.

há também triagem no segundo nível. durante o processo de treinamento do modelo, também precisamos combinar e classificar as amostras do modelo em alguns cenários. existem muitos cenários extremos e difíceis, e haverá modelos de avaliação, métodos de avaliação e algumas regras. pode limpar os dados e classificar cada tipo de dados em tags muito detalhadas.

na última camada, saberemos quais amostras são difíceis de aprender durante o processo de treinamento e ajustaremos a estratégia de aprendizagem, incluindo a construção deliberada de alguns dados sintéticos para aprendizagem por reforço e aprendizagem contrastiva. faça alguns ajustes nos métodos de aprendizagem de nossos dados, para que todos os nossos dados ponta a ponta e dados vlm sejam bem verificados e limpos, e o modelo resultante seja melhor. esse processo não acontece da noite para o dia.

lang xianpeng:há outro problema, o problema dos dados sujos. nosso volume de dados para treinamento ainda é relativamente grande, mesmo que tenhamos dados sujos muito pequenos posteriormente, porque o treinamento de habilidades de ia não tem uma mancha que possa poluir todo o efeito, desde que a quantidade de dados precisos seja grande o suficiente, haverá. haverá uma pequena interferência. os dados também não importam muito.

pergunta: nos últimos anos, a batalha tecnológica da direção inteligente mudou rapidamente e passou por várias iterações importantes. o + vlm de ponta a ponta será uma estrutura com vitalidade de longo prazo?

lang xianpeng:end-to-end + vlm é uma arquitetura que simula o pensamento e a cognição humana, porque quando fazemos inteligência artificial, esperamos alcançar o antropomorfismo ou a semelhança humana. fiquei muito inspirado depois de ler o livro "pensando, rápido e lento" e, finalmente, queria saber como as pessoas fazem cognição e pensamento. achamos que a estrutura atual de inteligência artificial é muito razoável, e também estou muito satisfeito em ver isso depois. propusemos isso, muitas empresas do setor começaram a mencionar os benefícios da teoria do sistema duplo e estão tentando acompanhá-lo. além disso, a teoria do sistema duplo não só pode ser utilizada na condução autónoma, como também é um paradigma para a futura inteligência artificial e até para robôs inteligentes. pode-se dizer que a direção autônoma é um robô inteligente com rodas, mas seu escopo de trabalho é a estrada. portanto, penso que tem certas capacidades a longo prazo, mas o desenvolvimento tecnológico é infinito. manteremos uma forte consciência das tecnologias avançadas e, se houver novas tecnologias, também as acompanharemos.

pergunta: atualmente, a ideal sente que há uma grande lacuna entre mim e a direção inteligente de tesla, e quando poderei alcançá-la?

lang xianpeng:no ano passado respondi que era menos de meio ano, e este ano pode ser um pouco menos. primeiro, em termos de arquitetura técnica, não somos muito diferentes da tesla, e estamos até um pouco à frente, porque temos vlm e sistema 2, enquanto a tesla só tem sistema 1, ponta a ponta. em segundo lugar, em termos de poder de computação de treinamento e dados de treinamento da china, acreditamos que, pelo menos a partir de agora, estamos à frente da tesla, porque a tesla ainda está sujeita a algumas restrições na china em termos de conformidade de dados, bem como de treinamento. do poder computacional ainda precisa ser estabelecido na china. desta perspectiva, a distância entre nós na china e a tesla pode não ser tão grande. também esperamos particularmente que a tesla possa participar, aprender uns com os outros e concentrar-se em melhorar a si mesmo.

pergunta: existe uma opinião de que o caminho da ia ​​para uma direção inteligente não está certo, e não acho que esse caminho possa funcionar, porque l2 presta mais atenção ao baixo custo ou versatilidade, mas l4 só pode alcançar a universalidade após o a segurança está resolvida, então a produção em massa o carro pode ser l4?

lang xianpeng:primeiro,acreditamos que tudo deve começar pelas necessidades e valor do usuário.qualquer produto fabricado pela li auto deve exceder ou satisfazer o valor do usuário. só o fabricamos se os usuários o considerarem valioso. acreditamos que os usuários devem ter demanda por direção autônoma, por isso é impossível para nós projetar que os usuários só possam dirigir l4 em chengdu e não em outros lugares.

em segundo lugar, a rota técnica progressiva ou de avanço permite que cada marca discuta e escolha a sua própria rota técnica.mas a li auto certamente escolherá uma rota técnica que atenda às necessidades do usuário.optamos agora por usar inteligência artificial para fazer direção autônoma. anteriormente chamado de direção assistida, o sistema auxiliava as pessoas a dirigir, e o assunto eram pessoas. mas após a etapa ponta a ponta + vlm, acreditamos que o carro dirigirá sozinho. depois de treinar um modelo completo, o modelo será capaz de dirigir bem o carro. vou supervisionar onde o carro não está funcionando ou se houver avisos de que ele precisa ser controlado. porém, o assunto deve ser o carro e as pessoas. servirá como auxiliar na fiscalização. se atingir esse nível, irá satisfazer a demanda dos usuários por direção autônoma, é a nossa lógica.

pergunta: a li auto tem planos de cobrar por uma direção inteligente de última geração?

lang xianpeng:padrão e gratuito são estratégias que a ideal formulou desde o primeiro dia de direção inteligente. “condução autônoma supervisionada” é gratuita para todos os proprietários de ad max. o volume de entregas é relativamente bom e as operações da empresa são estáveis. ela também possui recursos suficientes para investir em pesquisa e desenvolvimento de direção inteligente. o volume de entregas é uma métrica muito importante. para nós, não se trata apenas do volume de entregas, mas também pode proporcionar mais milhas de treinamento do veículo para condução autônoma.